TED2018
Kai-Fu Lee: How AI can save our humanity
Kai-Fu Lee: Hogyan mentheti meg az MI az emberiséget?
Filmed:
Readability: 4.7
3,583,197 views
Az MI mérhetetlenül átformálja világunkat, de van, amire nem képes: ez a szeretet. Az informatikus Kai-Fu Lee látnoki beszédében részletezi, hogyan vezet az USA és Kína egy mélytanulási forradalmat, és megosztja a tervét, hogy az emberek miként tudnának az MI korában együttérzéssel és kreativitással gazdagodni. "Az MI szerencsés véletlen. Azért van, hogy felszabadítson minket a rutinmunkák alól, és emlékeztessen arra, ami minket emberré tesz" – mondja Lee.
Kai-Fu Lee - Investor, computer scientist
At Sinovation Ventures, Kai-Fu Lee invests in the next generation of Chinese high-tech companies. Full bio
At Sinovation Ventures, Kai-Fu Lee invests in the next generation of Chinese high-tech companies. Full bio
Double-click the English transcript below to play the video.
00:12
I'm going to talk about
how AI and mankind can coexist,
how AI and mankind can coexist,
0
640
4536
Az MI, a mesterséges intelligencia
és az ember együttéléséről fogok beszélni,
és az ember együttéléséről fogok beszélni,
00:17
but first, we have to rethink
about our human values.
about our human values.
1
5200
3816
de először újra kell gondolnunk
az emberi értékeinket.
az emberi értékeinket.
00:21
So let me first make a confession
about my errors in my values.
about my errors in my values.
2
9040
4320
Először megvallom értékrendem hibáit.
00:25
It was 11 o'clock, December 16, 1991.
3
13920
4256
1991. december 16-a volt, reggel 11 óra.
00:30
I was about to become a father
for the first time.
for the first time.
4
18200
2680
Életemben először már-már apa lettem.
00:33
My wife, Shen-Ling,
lay in the hospital bed
lay in the hospital bed
5
21480
2856
Feleségem, Shen-Ling kórházi ágyon feküdt,
00:36
going through a very difficult
12-hour labor.
12-hour labor.
6
24360
3080
nagyon nehéz, 12 órás
vajúdáson ment keresztül.
vajúdáson ment keresztül.
00:40
I sat by her bedside
7
28280
2296
Ugyan az ágya mellett ültem,
00:42
but looked anxiously at my watch,
8
30600
2376
de idegesen nézegettem az órámat,
00:45
and I knew something that she didn't.
9
33000
1800
és tudtam valamit, amit ő nem.
00:47
I knew that if in one hour,
10
35440
1800
Tudtam, hogy ha egy órán belül
00:50
our child didn't come,
11
38360
1936
nem születik meg a gyermekünk,
00:52
I was going to leave her there
12
40320
1936
akkor otthagyom a feleségem,
00:54
and go back to work
13
42280
1656
visszamegyek a munkahelyemre,
00:55
and make a presentation about AI
14
43960
2576
és prezentációt tartok
az MI-ről főnökömnek,
az MI-ről főnökömnek,
00:58
to my boss, Apple's CEO.
15
46560
2200
az Apple vezérigazgatójának.
01:03
Fortunately, my daughter
was born at 11:30 --
was born at 11:30 --
16
51160
3896
Szerencsére lányom 11:30-kor megszületett,
01:07
(Laughter)
17
55080
1936
(Nevetés)
01:09
(Applause)
18
57040
1936
(Taps)
01:11
sparing me from doing the unthinkable,
19
59000
4336
megkímélve engem attól,
hogy megtegyem az elképzelhetetlent,
hogy megtegyem az elképzelhetetlent,
01:15
and to this day, I am so sorry
20
63360
2496
de azóta is nagyon sajnálom, hogy hagytam,
01:17
for letting my work ethic
take precedence over love for my family.
take precedence over love for my family.
21
65880
4656
hogy a munkaerkölcs elsőbbséget
élvezzen családszeretetemmel szemben.
élvezzen családszeretetemmel szemben.
01:22
(Applause)
22
70560
5736
(Taps)
01:28
My AI talk, however, went off brilliantly.
23
76320
2616
Az MI-beszédem egyébként
briliánsan sikerült.
briliánsan sikerült.
01:30
(Laughter)
24
78960
2736
(Nevetés)
01:33
Apple loved my work
and decided to announce it
and decided to announce it
25
81720
3136
Az Apple imádta a munkám,
és úgy döntött, hogy bejelenti
és úgy döntött, hogy bejelenti
01:36
at TED1992,
26
84880
2696
a TED1992 konferencián,
01:39
26 years ago on this very stage.
27
87600
3016
26 évvel ezelőtt, ugyanezen a színpadon.
01:42
I thought I had made one of the biggest,
most important discoveries in AI,
most important discoveries in AI,
28
90640
5056
Azt hittem, hogy az MI legnagyobb,
legfontosabb felfedezését tettem,
legfontosabb felfedezését tettem,
01:47
and so did the "Wall Street Journal"
on the following day.
on the following day.
29
95720
2920
és így hitte másnap
a The Wall Street Journal is.
a The Wall Street Journal is.
01:51
But as far as discoveries went,
30
99440
2536
De ahogy a felfedezések előrehaladtak,
01:54
it turned out,
31
102000
1336
kiderült,
01:55
I didn't discover India, or America.
32
103360
2776
hogy nem fedeztem fel
se Indiát, se Amerikát.
se Indiát, se Amerikát.
01:58
Perhaps I discovered
a little island off of Portugal.
a little island off of Portugal.
33
106160
3080
Talán csak egy kis szigetet
Portugália partjainál.
Portugália partjainál.
02:02
But the AI era of discovery continued,
34
110720
3256
De az MI felfedezéseinek
korszaka folytatódott,
korszaka folytatódott,
02:06
and more scientists
poured their souls into it.
poured their souls into it.
35
114000
3216
és egyre több tudós
adta bele szívét-lelkét.
adta bele szívét-lelkét.
02:09
About 10 years ago, the grand AI discovery
36
117240
2616
Kb. tíz éve az MI-ben a nagy felfedezést,
02:11
was made by three
North American scientists,
North American scientists,
37
119880
3176
amit mélytanulásként ismerünk,
02:15
and it's known as deep learning.
38
123080
1600
három észak-amerikai tudós tette.
02:17
Deep learning is a technology
that can take a huge amount of data
that can take a huge amount of data
39
125400
3696
A mélytanulás olyan technológia,
mely nagy mennyiségű adatot dolgoz fel
mely nagy mennyiségű adatot dolgoz fel
02:21
within one single domain
40
129120
1736
egy területen,
02:22
and learn to predict or decide
at superhuman accuracy.
at superhuman accuracy.
41
130880
4936
és emberfölötti pontossággal
tanul meg előre jelezni vagy dönteni.
tanul meg előre jelezni vagy dönteni.
02:27
For example, if we show
the deep learning network
the deep learning network
42
135840
2776
Ha pl. nagyszámú ételfényképet mutatunk
02:30
a massive number of food photos,
43
138640
2816
a mélytanuló hálónak,
02:33
it can recognize food
44
141480
1576
az fel tudja ismerni,
02:35
such as hot dog or no hot dog.
45
143080
3296
hogy pl. az étel hot dog-e vagy nem.
02:38
(Applause)
46
146400
3136
(Taps)
02:41
Or if we show it many pictures
and videos and sensor data
and videos and sensor data
47
149560
5016
Vagy ha sok képet, videót
és szenzoradatot mutatunk neki
és szenzoradatot mutatunk neki
02:46
from driving on the highway,
48
154600
2536
autópályán való vezetésről,
02:49
it can actually drive a car
as well as a human being
as well as a human being
49
157160
3280
akkor ugyanúgy el tud vezetni
egy autót az autópályán,
egy autót az autópályán,
02:53
on the highway.
50
161360
1656
mint egy ember.
02:55
And what if we showed
this deep learning network
this deep learning network
51
163040
2816
És mi van akkor, ha megmutatjuk
ennek a mélytanuló hálónak
ennek a mélytanuló hálónak
02:57
all the speeches made by President Trump?
52
165880
2400
Trump elnök összes beszédét?
03:01
Then this artificially
intelligent President Trump,
intelligent President Trump,
53
169680
3000
Akkor ez a mesterséges Trump elnök,
03:05
actually the network --
54
173600
2216
valójában a háló...
03:07
(Laughter)
55
175840
1656
(Nevetés)
03:09
can --
56
177520
1216
tud...
03:10
(Applause)
57
178760
4056
(Taps)
03:14
You like double oxymorons, huh?
58
182840
2336
Szeretik a dupla oximoronokat, ugye?
03:17
(Laughter)
59
185200
3856
(Nevetés)
03:21
(Applause)
60
189080
6096
(Taps)
03:27
So this network, if given the request
to make a speech about AI,
to make a speech about AI,
61
195200
5256
Tehát ez a háló, ha azt kérjük tőle,
hogy tartson beszédet az MI-ről,
hogy tartson beszédet az MI-ről,
03:32
he, or it, might say --
62
200480
2640
akkor ő vagy a gép, ezt mondhatja:
03:36
(Recording) Donald Trump:
It's a great thing
It's a great thing
63
204280
2096
(Felvétel) Donald Trump: Jó dolog
03:38
to build a better world
with artificial intelligence.
with artificial intelligence.
64
206400
2936
felépíteni egy jobb világot
mesterséges intelligenciával.
mesterséges intelligenciával.
03:41
Kai-Fu Lee: And maybe in another language?
65
209360
2016
Kai-Fu Lee: És talán egy másik nyelven is?
03:43
DT: (Speaking Chinese)
66
211400
1816
DT: (Kínaiul beszél)
03:45
(Laughter)
67
213240
1496
(Nevetés)
03:46
KFL: You didn't know
he knew Chinese, did you?
he knew Chinese, did you?
68
214760
2160
KFL: Nem tudták, hogy beszél kínaiul?
03:50
So deep learning has become the core
in the era of AI discovery,
in the era of AI discovery,
69
218120
5016
Így a mélytanulás vált az MI
felfedezések korszakának magjává,
felfedezések korszakának magjává,
03:55
and that's led by the US.
70
223160
1816
s ebben az USA-nak van vezető szerepe.
03:57
But we're now in the era
of implementation,
of implementation,
71
225000
3256
De mi most a kivitelezés
korszakában vagyunk,
korszakában vagyunk,
04:00
where what really matters is execution,
product quality, speed and data.
product quality, speed and data.
72
228280
5536
ahol a végrehajtás, a termékminőség,
a sebesség és az adat számít.
a sebesség és az adat számít.
04:05
And that's where China comes in.
73
233840
2096
Itt kerül Kína a képbe.
04:07
Chinese entrepreneurs,
74
235960
1576
Kínai vállalkozók,
akiket kockázatitőke-befektetőként
finanszíroztam,
finanszíroztam,
04:09
who I fund as a venture capitalist,
75
237560
1896
04:11
are incredible workers,
76
239480
1736
hihetetlen dolgozók,
04:13
amazing work ethic.
77
241240
1936
elképesztő munkaerkölccsel.
04:15
My example in the delivery room is nothing
compared to how hard people work in China.
compared to how hard people work in China.
78
243200
5296
Szülőszobai példám semmiség ahhoz képest,
amilyen keményen Kínában dolgoznak.
amilyen keményen Kínában dolgoznak.
04:20
As an example, one startup
tried to claim work-life balance:
tried to claim work-life balance:
79
248520
3696
Példának okáért, egy startup megpróbálta
megkövetelni a munka-élet egyensúlyt.
megkövetelni a munka-élet egyensúlyt.
04:24
"Come work for us because we are 996."
80
252240
3696
"Gyere, dolgozz nekünk,
mert mi 996-osak vagyunk!"
mert mi 996-osak vagyunk!"
04:27
And what does that mean?
81
255960
1256
De mit jelent ez?
04:29
It means the work hours
of 9am to 9pm, six days a week.
of 9am to 9pm, six days a week.
82
257240
4400
Azt jelenti, hogy a munkaidő reggel 9-től
este 9-ig tart, heti hat napon.
este 9-ig tart, heti hat napon.
04:34
That's contrasted
with other startups that do 997.
with other startups that do 997.
83
262960
3280
Ez ellentétben áll más startupokkal,
amelyek 997-ben dolgoznak.
amelyek 997-ben dolgoznak.
04:39
And the Chinese product quality
has consistently gone up
has consistently gone up
84
267320
3096
A kínai termékminőség az elmúlt évtizedben
04:42
in the past decade,
85
270440
1696
folyamatosan növekedett,
04:44
and that's because of
a fiercely competitive environment.
a fiercely competitive environment.
86
272160
4120
köszönhetően a kíméletlenül
versenyképes környezetnek.
versenyképes környezetnek.
04:48
In Silicon Valley, entrepreneurs
compete in a very gentlemanly fashion,
compete in a very gentlemanly fashion,
87
276760
5896
A Szilícium-völgyben a vállalkozók
nagyon úri módon versenyeznek,
nagyon úri módon versenyeznek,
04:54
sort of like in old wars
in which each side took turns
in which each side took turns
88
282680
3896
valahogy úgy, mint régi háborúkban,
ahol mindkét fél felváltva lőtt egymásra.
04:58
to fire at each other.
89
286600
1256
04:59
(Laughter)
90
287880
1056
(Nevetés)
05:00
But in the Chinese environment,
91
288960
2016
De a kínai környezetben
05:03
it's truly a gladiatorial
fight to the death.
fight to the death.
92
291000
2880
ez igazából vérre menő gladiátorviadal.
05:06
In such a brutal environment,
entrepreneurs learn to grow very rapidly,
entrepreneurs learn to grow very rapidly,
93
294920
6096
Ilyen brutális környezetben a vállalkozók
megtanulnak gyorsan növekedni,
megtanulnak gyorsan növekedni,
05:13
they learn to make their products
better at lightning speed,
better at lightning speed,
94
301040
3936
megtanulják, hogyan javítsák
villámgyorsan termékeiket,
villámgyorsan termékeiket,
05:17
and they learn
to hone their business models
to hone their business models
95
305000
2336
és hogyan finomítsák
üzleti modelljeiket addig,
üzleti modelljeiket addig,
05:19
until they're impregnable.
96
307360
1400
míg legyőzhetetlenek nem lesznek.
05:21
As a result, great Chinese products
like WeChat and Weibo
like WeChat and Weibo
97
309400
3856
Ennek eredményeképpen nagyszerű
kínai termékek, mint a WeChat és a Weibo,
kínai termékek, mint a WeChat és a Weibo,
05:25
are arguably better
98
313280
1416
vitathatatlanul jobbak,
05:26
than the equivalent American products
from Facebook and Twitter.
from Facebook and Twitter.
99
314720
3480
mint amerikai termékmegfelelőik,
a Facebook és a Twitter.
a Facebook és a Twitter.
05:31
And the Chinese market
embraces this change
embraces this change
100
319920
3096
A kínai piac tárt karokkal üdvözli
05:35
and accelerated change
and paradigm shifts.
and paradigm shifts.
101
323040
3016
e gyors változást és a paradigmaváltást.
05:38
As an example, if any of you go to China,
102
326080
2096
Ha pl. Kínába utaznak, látni fogják,
05:40
you will see it's almost cashless
and credit card-less,
and credit card-less,
103
328200
4016
hogy az ország majdnem készpénz-
és bankkártyamentes,
és bankkártyamentes,
05:44
because that thing that we all
talk about, mobile payment,
talk about, mobile payment,
104
332240
2736
mert amiről nálunk mindenki beszél,
a mobilos fizetés,
a mobilos fizetés,
05:47
has become the reality in China.
105
335000
2416
Kínában valósággá vált.
05:49
In the last year,
106
337440
1296
Tavaly
05:50
18.8 trillion US dollars
were transacted on mobile internet,
were transacted on mobile internet,
107
338760
5936
18,8 billió USA dollárt utaltak át
mobil interneten keresztül,
mobil interneten keresztül,
05:56
and that's because
of very robust technologies
of very robust technologies
108
344720
2936
köszönhetően annak a nagyon
megbízható technológiának,
megbízható technológiának,
05:59
built behind it.
109
347680
1256
amit köré építettek.
06:00
It's even bigger than the China GDP.
110
348960
2440
Ez még Kína GDP-jénél is több.
06:04
And this technology, you can say,
how can it be bigger than the GDP?
how can it be bigger than the GDP?
111
352120
3616
Ez a technológia, mondhatják,
hogyan lehet nagyobb, mint a GDP?
hogyan lehet nagyobb, mint a GDP?
06:07
Because it includes all transactions:
112
355760
1976
Azért, mert minden ügylet benne van:
06:09
wholesale, channels,
retail, online, offline,
retail, online, offline,
113
357760
3776
nagybani eladás, csatornák,
kiskereskedelem, online, offline vásárlás,
kiskereskedelem, online, offline vásárlás,
06:13
going into a shopping mall
or going into a farmers market like this.
or going into a farmers market like this.
114
361560
5056
bemenni egy bevásárlóközpontba,
vagy termelői piacra, mint a képen is.
vagy termelői piacra, mint a képen is.
06:18
The technology is used
by 700 million people
by 700 million people
115
366640
3376
A technológiát 700 millió ember használja,
hogy egymásnak fizessenek,
ne csak kereskedőknek,
ne csak kereskedőknek,
06:22
to pay each other, not just merchants,
116
370040
2056
06:24
so it's peer to peer,
117
372120
1416
így közvetlen,
06:25
and it's almost transaction-fee-free.
118
373560
2680
és majdnem tranzakciódíj-mentes.
06:29
And it's instantaneous,
119
377720
2376
Azonnali,
06:32
and it's used everywhere.
120
380120
1440
és mindenhol használják.
06:34
And finally, the China market is enormous.
121
382320
3376
Végül, a kínai piac hatalmas.
06:37
This market is large,
122
385720
1976
Ez a piac terjedelmes,
06:39
which helps give entrepreneurs
more users, more revenue,
more users, more revenue,
123
387720
4496
mely segít a vállalkozóknak
több felhasználót, jövedelmet,
több felhasználót, jövedelmet,
06:44
more investment, but most importantly,
124
392240
2336
befektetést adni, de a legfontosabb:
06:46
it gives the entrepreneurs a chance
to collect a huge amount of data
to collect a huge amount of data
125
394600
4536
esélyt ad nekik arra, hogy rengeteg
adatot gyűjtsenek össze,
adatot gyűjtsenek össze,
06:51
which becomes rocket fuel
for the AI engine.
for the AI engine.
126
399160
2960
mely rakétahajtóanyag az MI motorjának.
06:54
So as a result, the Chinese AI companies
127
402960
2936
Ennek eredményeként
a kínai MI cégek előretörtek,
06:57
have leaped ahead
128
405920
1736
06:59
so that today, the most valuable companies
129
407680
3096
így manapság a legértékesebb vállalatok
07:02
in computer vision, speech recognition,
130
410800
2616
a számítógépes látás, beszédfelismerés,
07:05
speech synthesis,
machine translation and drones
machine translation and drones
131
413440
3416
beszédszintézis, gépi fordítás
és drónok terén
és drónok terén
07:08
are all Chinese companies.
132
416880
1920
mind kínai cégek.
07:11
So with the US leading
the era of discovery
the era of discovery
133
419400
3216
Az USA vezeti a felfedezés korszakát,
07:14
and China leading
the era of implementation,
the era of implementation,
134
422640
3136
és Kína a kivitelezését,
07:17
we are now in an amazing age
135
425800
2256
mi pedig abban az elképesztő
korban vagyunk,
korban vagyunk,
07:20
where the dual engine
of the two superpowers
of the two superpowers
136
428080
3256
ahol a két szuperhatalom kettős motorja
07:23
are working together
137
431360
1680
együtt dolgozik,
07:25
to drive the fastest
revolution in technology
revolution in technology
138
433960
3656
hogy a technológia leggyorsabb
forradalmát vigye véghez,
forradalmát vigye véghez,
07:29
that we have ever seen as humans.
139
437640
2360
amit mi, emberek valaha láttunk.
07:32
And this will bring tremendous wealth,
140
440640
2496
Ez hatalmas gazdagságot,
07:35
unprecedented wealth:
141
443160
1776
példátlan gazdagságot fog hozni:
07:36
16 trillion dollars, according to PwC,
142
444960
3896
16 billió dollárral nő, a PwC szerint,
07:40
in terms of added GDP
to the worldwide GDP by 2030.
to the worldwide GDP by 2030.
143
448880
5376
a világ GDP-je 2030-ra.
07:46
It will also bring immense challenges
144
454280
2616
Óriási kihívásokat is fog hozni
07:48
in terms of potential job replacements.
145
456920
3576
az esetleg megváltozó
vagy eltűnő szakmáknak.
vagy eltűnő szakmáknak.
07:52
Whereas in the Industrial Age
146
460520
2160
Míg az ipari korban
07:55
it created more jobs
147
463880
1536
több munkahelyet teremtett,
07:57
because craftsman jobs were being
decomposed into jobs in the assembly line,
decomposed into jobs in the assembly line,
148
465440
5776
mert a kézműves munkákat szétbontották
szerelősor melletti munkákra,
szerelősor melletti munkákra,
08:03
so more jobs were created.
149
471240
1976
így több állást hoztak létre.
08:05
But AI completely replaces
the individual jobs
the individual jobs
150
473240
4936
De az MI teljesen lecseréli
a szerelősorok melletti munkát
a szerelősorok melletti munkát
08:10
in the assembly line with robots.
151
478200
2256
robotokra.
08:12
And it's not just in factories,
152
480480
1936
Ez nemcsak gyárakban valósul meg,
08:14
but truckers, drivers
153
482440
2056
hanem kamionosokat, sofőröket,
08:16
and even jobs like telesales,
customer service
customer service
154
484520
4096
még távértékesítőket,
ügyfélszolgálatosokat,
ügyfélszolgálatosokat,
08:20
and hematologists as well as radiologists
155
488640
2976
hematológusokat és radiológusokat is
08:23
over the next 15 years
156
491640
2096
fokozatosan felváltja majd
08:25
are going to be gradually replaced
157
493760
2536
az elkövetkező 15 évben
08:28
by artificial intelligence.
158
496320
1440
a mesterséges intelligencia.
08:30
And only the creative jobs --
159
498360
2056
Csak a kreatív munkák...
08:32
(Laughter)
160
500440
1976
(Laughter)
08:34
I have to make myself safe, right?
161
502440
2200
Be kell biztosítanom magam, nemde?
08:38
Really, the creative jobs
are the ones that are protected,
are the ones that are protected,
162
506960
2976
A kreatív munkák védve vannak,
08:41
because AI can optimize but not create.
163
509960
3040
mert az MI optimalizálni tud,
de alkotni nem.
de alkotni nem.
08:45
But what's more serious
than the loss of jobs
than the loss of jobs
164
513960
3575
De a munkahelyek
elvesztésénél is komolyabb
elvesztésénél is komolyabb
08:49
is the loss of meaning,
165
517559
1777
a jelentőség elvesztése,
08:51
because the work ethic
in the Industrial Age
in the Industrial Age
166
519360
3136
mert az ipari kor munkaerkölcse
08:54
has brainwashed us into thinking
that work is the reason we exist,
that work is the reason we exist,
167
522520
5616
kimosta az agyunkat, és elhitette velünk,
hogy létezésünk értelme a munka,
hogy létezésünk értelme a munka,
09:00
that work defined
the meaning of our lives.
the meaning of our lives.
168
528160
2936
hogy a munka jelenti életünk értelmét.
09:03
And I was a prime and willing victim
to that type of workaholic thinking.
to that type of workaholic thinking.
169
531120
6296
Én kiváló és önkéntes áldozata voltam
e munkamániás gondolkodásnak.
e munkamániás gondolkodásnak.
09:09
I worked incredibly hard.
170
537440
1616
Hihetetlenül keményen dolgoztam.
09:11
That's why I almost left
my wife in the delivery room,
my wife in the delivery room,
171
539080
3576
Épp ezért hagytam majdnem
a feleségemet a szülőszobán,
a feleségemet a szülőszobán,
09:14
that's why I worked 996
alongside my entrepreneurs.
alongside my entrepreneurs.
172
542680
4176
ezért dolgoztam 996-ban
a vállalkozóimmal karöltve.
a vállalkozóimmal karöltve.
09:18
And that obsession that I had with work
173
546880
4416
Ez a munka iránti megszállottságom
09:23
ended abruptly a few years ago
174
551320
3056
ért hirtelen véget néhány évvel ezelőtt,
09:26
when I was diagnosed
with fourth stage lymphoma.
with fourth stage lymphoma.
175
554400
3920
amikor negyedik stádiumú
limfómával diagnosztizáltak.
limfómával diagnosztizáltak.
09:31
The PET scan here shows
over 20 malignant tumors
over 20 malignant tumors
176
559480
4136
A PET vizsgálat több mint húsz
rosszindulatú daganatot mutat,
rosszindulatú daganatot mutat,
09:35
jumping out like fireballs,
177
563640
2176
úgy ugranak ki, mint tűzgolyók,
09:37
melting away my ambition.
178
565840
2576
szétzúzva ambícióimat.
09:40
But more importantly,
179
568440
1456
De ami még fontosabb:
09:41
it helped me reexamine my life.
180
569920
2736
segített újraértékelni az életemet.
09:44
Knowing that I may only have
a few months to live
a few months to live
181
572680
3096
Tudván, hogy talán csak néhány
hónapom van hátra,
hónapom van hátra,
09:47
caused me to see how foolish it was
182
575800
2936
ráébresztett, mennyire bolond voltam,
09:50
for me to base my entire self-worth
183
578760
3576
hogy az egész önértékelésemet
arra alapoztam,
arra alapoztam,
09:54
on how hard I worked
and the accomplishments from hard work.
and the accomplishments from hard work.
184
582360
4040
mennyire keményen dolgoztam,
és mi lett ennek az eredménye.
és mi lett ennek az eredménye.
09:59
My priorities were
completely out of order.
completely out of order.
185
587320
2976
A prioritásaim teljesen hibásak voltak.
10:02
I neglected my family.
186
590320
1600
Elhanyagoltam a családomat.
10:05
My father had passed away,
187
593000
1416
Édesapám elhunyt,
10:06
and I never had a chance
to tell him I loved him.
to tell him I loved him.
188
594440
2800
és sosem volt esélyem
elmondani neki, hogy szeretem.
elmondani neki, hogy szeretem.
10:10
My mother had dementia
and no longer recognized me,
and no longer recognized me,
189
598120
3736
Édesanyámnak demenciája lett,
és többé nem ismer meg engem,
és többé nem ismer meg engem,
10:13
and my children had grown up.
190
601880
1920
a gyerekeim pedig mind felnőttek.
10:16
During my chemotherapy,
191
604400
1656
A kemoterápiám alatt
10:18
I read a book by Bronnie Ware
192
606080
2456
olvastam egy könyvet Bronnie Ware-tól,
10:20
who talked about dying wishes and regrets
of the people in the deathbed.
of the people in the deathbed.
193
608560
5496
aki haldokló emberek utolsó kívánságairól
és megbánásairól beszélt.
és megbánásairól beszélt.
10:26
She found that facing death,
194
614080
2256
Úgy találta, hogy a halállal
való szembenézéskor
való szembenézéskor
10:28
nobody regretted that they didn't
work hard enough in this life.
work hard enough in this life.
195
616360
3600
senki sem azt bánta, hogy nem dolgozott
elég keményen az életben.
elég keményen az életben.
10:32
They only regretted that they didn't
spend enough time with their loved ones
spend enough time with their loved ones
196
620880
5176
Csak azt bánták, hogy nem töltöttek
elég időt szeretteikkel,
elég időt szeretteikkel,
10:38
and that they didn't spread their love.
197
626080
2760
és nem fejezték ki szeretetüket.
10:42
So I am fortunately today in remission.
198
630400
4536
Szerencsére mára meggyógyultam.
10:46
(Applause)
199
634960
6856
(Taps)
10:53
So I can be back at TED again
200
641840
1976
Így újra itt lehetek a TED-en,
10:55
to share with you
that I have changed my ways.
that I have changed my ways.
201
643840
3376
hogy megosszam önökkel:
változtattam az életemen.
változtattam az életemen.
10:59
I now only work 965 --
202
647240
2760
Már csak 965-ben dolgozom,
11:03
occasionally 996, but usually 965.
203
651200
3976
alkalmanként 996-ben,
de általában 965-ben.
de általában 965-ben.
11:07
I moved closer to my mother,
204
655200
1896
Közelebb költöztem édesanyámhoz,
11:09
my wife usually travels with me,
205
657120
2456
a feleségem általában velem utazik,
11:11
and when my kids have vacation,
if they don't come home, I go to them.
if they don't come home, I go to them.
206
659600
3816
és amikor a gyerekeimnek vakációjuk van,
ha nem jönnek haza, én megyek hozzájuk.
ha nem jönnek haza, én megyek hozzájuk.
11:15
So it's a new form of life
207
663440
2456
Úgyhogy ez új életmód,
11:17
that helped me recognize
208
665920
1816
ami segített felismerni,
11:19
how important it is that love is for me,
209
667760
3176
mennyire fontos a szeretet számomra,
11:22
and facing death
helped me change my life,
helped me change my life,
210
670960
3416
és a halállal való szembenézés
segített változtatni az életemen,
segített változtatni az életemen,
11:26
but it also helped me see a new way
211
674400
2456
de abban is segített,
hogy új szemszögből lássam,
hogy új szemszögből lássam,
11:28
of how AI should impact mankind
212
676880
3776
az MI-nek hogyan kellene
hatással lennie az emberiségre,
hatással lennie az emberiségre,
11:32
and work and coexist with mankind,
213
680680
2480
vele együtt dolgozni és létezni,
11:36
that really, AI is taking away
a lot of routine jobs,
a lot of routine jobs,
214
684680
4496
hogy az MI rutinmunkákat vesz el,
11:41
but routine jobs are not what we're about.
215
689200
3656
de mi nem a rutinmunkákért létezünk.
11:44
Why we exist is love.
216
692880
2256
A szeretetért létezünk.
11:47
When we hold our newborn baby,
217
695160
2096
Amikor újszülött babánkat tartjuk,
11:49
love at first sight,
218
697280
1496
az szerelem első látásra,
11:50
or when we help someone in need,
219
698800
1776
vagy amikor segítünk valaki rászorulónak,
11:52
humans are uniquely able
to give and receive love,
to give and receive love,
220
700600
4256
az emberek különösen képesek
szeretetet adni és kapni,
szeretetet adni és kapni,
11:56
and that's what differentiates us from AI.
221
704880
2800
és ez különböztet meg minket az MI-től.
12:00
Despite what science fiction may portray,
222
708800
2696
Annak ellenére,
amit a science fiction lefest,
amit a science fiction lefest,
12:03
I can responsibly tell you
that AI has no love.
that AI has no love.
223
711520
3736
felelősségteljesen mondhatom,
hogy az MI nem képes szeretetre.
hogy az MI nem képes szeretetre.
12:07
When AlphaGo defeated
the world champion Ke Jie,
the world champion Ke Jie,
224
715280
3536
Amikor az AlphaGo legyőzte
a világbajnok Ko Csiet,
a világbajnok Ko Csiet,
12:10
while Ke Jie was crying
and loving the game of go,
and loving the game of go,
225
718840
3096
akkor míg Ko Csie sírt, s szerette a gót,
12:13
AlphaGo felt no happiness from winning
226
721960
3176
az AlphaGo nem érzett győzelmi örömet,
12:17
and certainly no desire
to hug a loved one.
to hug a loved one.
227
725160
4480
és biztosan nem vágyott
megölelni egy szerettét.
megölelni egy szerettét.
12:23
So how do we differentiate ourselves
228
731600
2656
Hogyan különböztetjük meg magunkat
12:26
as humans in the age of AI?
229
734280
2536
emberként az MI korában?
12:28
We talked about the axis of creativity,
230
736840
3096
Beszéltünk a kreativitás tengelyéről,
12:31
and certainly that is one possibility,
231
739960
2856
és ez biztosan az egyik lehetőség,
12:34
and now we introduce a new axis
232
742840
2296
most pedig bemutatunk egy új tengelyt,
12:37
that we can call compassion,
love, or empathy.
love, or empathy.
233
745160
3616
amit hívhatunk együttérzésnek,
szeretetnek vagy empátiának.
szeretetnek vagy empátiának.
12:40
Those are things that AI cannot do.
234
748800
2576
E dolgokat az MI nem képes megtenni.
12:43
So as AI takes away the routine jobs,
235
751400
2816
Így ahogy az MI elveszi a rutinmunkákat,
12:46
I like to think we can, we should
and we must create jobs of compassion.
and we must create jobs of compassion.
236
754240
4960
szeretem azt hinni, hogy létre tudunk és
létre is kell hozni együttérző munkákat.
létre is kell hozni együttérző munkákat.
12:51
You might ask how many of those there are,
237
759800
2336
Kérdezhetnék, hogy mennyi van belőlük,
12:54
but I would ask you:
238
762160
1616
de én kérdezném önöktől:
12:55
Do you not think that we are going
to need a lot of social workers
to need a lot of social workers
239
763800
3816
nem gondolják, hogy sok szociális
munkásra lesz szükségünk
munkásra lesz szükségünk
12:59
to help us make this transition?
240
767640
1600
az átmenet megvalósításához?
13:01
Do you not think we need
a lot of compassionate caregivers
a lot of compassionate caregivers
241
769960
3256
Nem gondolják, hogy szükségünk van
sok jószívű gondozóra,
sok jószívű gondozóra,
hogy több egészségügyi ellátást
adjanak még több embernek?
adjanak még több embernek?
13:05
to give more medical care to more people?
242
773240
2696
13:07
Do you not think we're going to need
10 times more teachers
10 times more teachers
243
775960
3256
Nem gondolják, hogy tízszer ennyi
tanárra lesz szükségünk,
tanárra lesz szükségünk,
13:11
to help our children find their way
244
779240
2776
hogy segítsenek a gyerekeinknek
megtalálni a helyüket,
megtalálni a helyüket,
13:14
to survive and thrive
in this brave new world?
in this brave new world?
245
782040
3256
túlélni és boldogulni
ebben a szép új világban?
ebben a szép új világban?
13:17
And with all the newfound wealth,
246
785320
2440
Az összes újonnan felfedezett jóléttel
13:19
should we not also make
labors of love into careers
labors of love into careers
247
787800
4536
nem kellene-e szívügyeinket
szakmává alakítani,
szakmává alakítani,
13:24
and let elderly accompaniment
248
792360
2696
és engedni az idősgondozást
13:27
or homeschooling become careers also?
249
795080
3496
vagy az otthoni tanulást karrierré válni?
13:30
(Applause)
250
798600
5280
(Taps)
13:36
This graph is surely not perfect,
251
804800
2256
Ez a grafikon biztosan nem tökéletes,
13:39
but it points at four ways
that we can work with AI.
that we can work with AI.
252
807080
3536
de négy módot mutat
az MI-vel való munkára.
az MI-vel való munkára.
13:42
AI will come and take away
the routine jobs
the routine jobs
253
810640
3576
Az MI eljön, és elveszi a rutinmunkákat,
13:46
and in due time, we will be thankful.
254
814240
2040
és egyszer majd hálásak leszünk érte.
13:49
AI will become great tools
for the creatives
for the creatives
255
817000
3096
Az MI nagyszerű eszköze lesz
a kreatív embereknek,
a kreatív embereknek,
13:52
so that scientists, artists,
musicians and writers
musicians and writers
256
820120
3656
így tudósok, művészek, zenészek és írók
13:55
can be even more creative.
257
823800
1600
még kreatívabbak lehetnek.
13:58
AI will work with humans
as analytical tools
as analytical tools
258
826120
5376
Az MI elemzőeszközként fog
együtt dolgozni az emberekkel,
együtt dolgozni az emberekkel,
14:03
that humans can wrap their warmth around
259
831520
2696
hogy melegséget vihessenek
14:06
for the high-compassion jobs.
260
834240
1896
a nagy együttérzést igénylő munkákba.
14:08
And we can always differentiate ourselves
261
836160
2656
Mi mindig meg tudjuk
különböztetni magunkat
különböztetni magunkat
14:10
with the uniquely capable jobs
262
838840
1816
egyedi foglalkozásokkal,
14:12
that are both compassionate and creative,
263
840680
3616
melyek mind könyörületességet
igényelnek és kreatívak,
igényelnek és kreatívak,
14:16
using and leveraging
our irreplaceable brains and hearts.
our irreplaceable brains and hearts.
264
844320
5176
használják és hasznosítják
a pótolhatatlan agyunkat és szívünket.
a pótolhatatlan agyunkat és szívünket.
14:21
So there you have it:
265
849520
1296
Tehát íme:
14:22
a blueprint of coexistence
for humans and AI.
for humans and AI.
266
850840
3640
egy terv az ember és az MI
együttélésére.
együttélésére.
14:27
AI is serendipity.
267
855400
1816
Az MI szerencsés véletlen.
14:29
It is here to liberate us
from routine jobs,
from routine jobs,
268
857240
2976
Itt van, hogy felszabadítson minket
a rutinmunkák alól,
a rutinmunkák alól,
14:32
and it is here to remind us
what it is that makes us human.
what it is that makes us human.
269
860240
3680
és emlékeztessen arra,
ami minket emberré tesz.
ami minket emberré tesz.
14:36
So let us choose to embrace AI
and to love one another.
and to love one another.
270
864440
3976
Így válasszuk a mesterséges
intelligenciát, és szeressük egymást.
intelligenciát, és szeressük egymást.
14:40
Thank you.
271
868440
1216
Köszönöm!
14:41
(Applause)
272
869680
6160
(Taps)
ABOUT THE SPEAKER
Kai-Fu Lee - Investor, computer scientistAt Sinovation Ventures, Kai-Fu Lee invests in the next generation of Chinese high-tech companies.
Why you should listen
Dr. Kai-Fu Lee has a unique perspective on the global technology industry, having worked extensively between the US and China, and has been in artificial intelligence research, development and investment for more than 30 years. He is one of China's top technology investors, undertaking early pioneering work in the field of artificial intelligence and working with multiple US technology giants.
Lee is the Chairman and CEO of Sinovation Ventures, managing a $1.7 billion dual-currency investment fund. Sinovation is a leading technology-savvy investment firm focusing on developing Chinese high-tech companies. Lee also serves as president of the Sinovation Ventures Artificial Intelligence Institute.
Prior to founding Sinovation in 2009, Lee was the President of Google China. Previously, he held executive positions at Microsoft, SGI and Apple. He is a Fellow of the Institute of Electrical and Electronics Engineers (IEEE), and he was Vice Chairman of the Committee of 100 and named one of the 100 most influential people in the world by TIME Magazine. He is the author of seven best-selling books in Chinese, launching his new book AI Superpowers internationally in fall 2018, and has over 50 million followers on social media.
In the field of artificial intelligence, Lee founded Microsoft Research China, which was named as the hottest research lab by MIT Technology Review. Later renamed Microsoft Research Asia, this institute has trained the great majority of AI leaders in China, including CTOs or AI heads at Baidu, Tencent, Alibaba, Lenovo, Huawei and Haier. While with Apple, Lee led AI projects in speech and natural language, which appeared on Good Morning America on ABC Television and the front page of The Wall Street Journal. He has authored 10 US patents, and more than 100 journal and conference papers.
Kai-Fu Lee | Speaker | TED.com